所有生物學功能都取決於不同蛋白如何相互相互作用。蛋白質蛋白相互作用有助於從轉錄DNA和控制細胞分裂到復雜生物體中的高級功能。
然而，關於這些功能如何在分子水平上編排以及蛋白質如何與其他蛋白質或與自身的副本相互作用的方式尚不清楚。
最近的發現表明，小蛋白質片段具有很大的功能潛力。即使它們是不完整的碎片，短氨基酸仍然可以與靶蛋白的界面結合，從而概括了天然相互作用。通過此過程，它們可以改變該蛋白質的功能或破壞其與其他蛋白質的相互作用。
因此，蛋白質片段可以增強對蛋白質相互作用和細胞過程的基礎研究，並可能具有治療性應用。
最近出版 國家科學院論文集，生物學系開發的一種新方法建立在現有的人工智能模型上，以預測可以結合併抑制全長蛋白質的蛋白質片段 大腸桿菌。從理論上講，該工具可能導致對任何蛋白質的遺傳編碼抑製劑。
這項工作是在生物學副教授和霍華德·休斯醫學院研究員Gene-wei Li的實驗室中完成的，與Jay A. Stein（1968）的實驗室合作，生物學教授，生物工程學教授和系主任Amy Keating。
利用機器學習
該程序稱為Fragfold，利用Alphafold，這是一種AI模型，該模型近年來導致生物學的顯著發展，因為它可以預測蛋白質折疊和蛋白質相互作用。
該項目的目的是預測碎片抑製劑，這是Alphafold的新應用。該項目的研究人員在實驗上證實，即使研究人員以前沒有關於這些相互作用機制的結構數據，Fragfold的結合或抑制預測的一半以上是準確的。
“我們的結果表明，這是找到可能抑制蛋白質功能（包括新型蛋白質靶標）的結合模式的可推廣方法，您可以將這些預測用作進一步實驗的起點。”安德魯·薩維諾夫（Andrew Savinov） ，李實驗室的博士後。 “我們確實可以將其應用於沒有已知功能的沒有已知相互作用的沒有已知結構的情況下，甚至沒有已知結構，我們可以在我們開發的這些模型中提供一些信任。”
一個例子是FTSZ，這是一種蛋白質，是細胞分裂的關鍵。它是經過充分研究的，但包含一個本質上無序的區域，因此尤其具有挑戰性。無序的蛋白質是動態的，其功能相互作用很可能短暫地發生 – 如此短暫地發生，以至於當前的結構生物學工具無法捕獲單個結構或相互作用。
研究人員利用Fragfold探索FTSZ碎片的活性，包括本質上無序區域的片段，以鑑定與各種蛋白質的幾種新結合相互作用。這種理解的飛躍證實並擴展了先前測量FTSZ生物學活性的實驗。
這一進展很重要，部分原因是它是在不解決該障礙區域結構的情況下進行的，並且因為它表現出碎片的潛在力量。
基廷說：“這是Alphafold如何從根本上改變我們如何研究分子和細胞生物學的一個例子。” “ AI方法的創造性應用，例如我們在Fragfold上的工作，打開意想不到的功能和新的研究方向。”
抑制，及以後
研究人員通過計算分裂每種蛋白質，然後建模這些碎片將如何與他們認為相關的相互作用夥伴結合，從而實現了這些預測。
他們使用高通量實驗測量結果確定了整個序列中預測結合的圖與這些相同片段的作用，其中數百萬個細胞會產生一種類型的蛋白質片段。
Alphafold使用共進化信息來預測折疊，通常使用每種預測運行的一種稱為多個序列比對的東西評估蛋白質的進化歷史。 MSA是至關重要的，但是大規模預測的瓶頸 – 它們可能需要大量的時間和計算能力。
對於Fragfold而言，研究人員曾經將MSA預先計算為全長蛋白，並使用該結果指導該全長蛋白的每個片段的預測。
薩維諾夫（Savinov）與基廷實驗室校友塞巴斯蒂安·斯旺森（Sebastian Swanson Phd ’23）一起預測，除了FTSZ之外，除了FTSZ之外，還預測了各種蛋白質的抑制片段。他們探索的相互作用中有脂多醣轉運蛋白LPTF和LPTG之間的複雜性。 LPTG的蛋白質片段抑制了這種相互作用，大概破壞了脂多醣的遞送，這是 大腸桿菌 外細胞膜對於細胞適應性必不可少。
薩維諾夫說：“最大的驚喜是，我們可以以如此高的精度預測約束，實際上通常可以預測與抑制相對應的結合。” “對於我們看過的每種蛋白質，我們都可以找到抑製劑。”
研究人員最初以蛋白質片段為抑製劑，因為片段是否可以阻止細胞中的基本功能，這是一個相對簡單的結果。展望未來，薩維諾夫還有興趣探索抑制外部碎片功能，例如可以穩定其結合，增強或改變其功能或觸發蛋白質降解的蛋白質的片段。
設計原則
這項研究是建立對細胞設計原理的系統性理解的起點，哪些元素可能會藉鑑哪些元素來進行準確的預測。
薩維諾夫說：“我們正在朝著更廣泛的進一步的目標。” “現在我們可以預測它們，我們可以使用預測和實驗中擁有的數據來拔出顯著特徵，以找出Alphafold實際上了解了什麼使良好抑製劑的原因？”
Savinov和合作者還進一步研究了蛋白質片段如何結合，探索其他蛋白質相互作用並突變特定殘基，以查看這些相互作用如何改變片段與靶標相互作用的方式。
通過實驗檢查細胞內數千個突變片段的行為，一種稱為深突變掃描的方法，發現了負責抑制的關鍵氨基酸。在某些情況下，突變的片段比其自然的全長序列更有效抑製劑。
Swanson說：“與以前的方法不同，我們不僅限於識別實驗結構數據中的碎片。” “這項工作的核心強度是高通量實驗抑制數據與預測的結構模型之間的相互作用：實驗數據指導我們走向特別有趣的片段，而fragfold預測的結構模型為特定的，可檢驗的假設提供了一個特定的假設，用於片段如何在分子水平上發揮作用。”
薩維諾夫（Savinov）對這種方法的未來及其無數應用感到興奮。
李同意說：“通過創建緊湊的，遺傳編碼的粘合劑，Fragfold打開了操縱蛋白質功能的廣泛可能性。” “我們可以想像提供功能化的片段，這些碎片可以改變天然蛋白質，改變其亞細胞定位，甚至重新編程，以創建用於研究細胞生物學和治療疾病的新工具。”
